AAAIJan, 2021

通过黑盒知识蒸馏的深度流行病学建模：COVID-19 的准确深度学习模型

PDF
TL;DR本文介绍了一种基于深度学习的黑盒知识蒸馏方法，用于对疾病传播进行准确和高效的预测，通过案例分析证明了该方法在有限观测数据条件下可以准确预测感染病例，具有较低的计算成本。
forecasting systememerging infectious diseasescovid-19deep learning approachknowledge distillation
发现论文，激发创造
  • 基于物理学与数据驱动建模的动态系统学习方法

    本研究提出了一种基于自动微分的物理模型学习方法 AutoODE，该方法能够有效解决在 COVID-19 等动态系统中由于数据分布发生改变导致机器学习模型性能下降的问题，实验结果表明，AutoODE 相比于基于深度学习的竞争对手，能够将预测误差减少 57.4%。

    Nov, 2020

  • 多层次区域 COVID-19 动态流行病学建模与预测

    该论文提出了一种结合流行病学方程和深度学习的方法来模拟 COVID-19 疾病传播情况，结果表明，这种方法在五个国家和地区具有良好的预测能力和可视化表现。

    Jun, 2023

  • 从深度神经网络中提取知识及其在医疗领域的应用

    本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法，用于学习解释性的表型特征，以进行强大的预测，同时模仿深度学习模型，以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明，我们的方法获得了与深度学习模型相似或更好的性能，且为临床决策提供了可解释的表型特征。

    Dec, 2015

  • COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习

    利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

    Jun, 2024

  • 基于决策的黑盒模型的零 - shot 知识蒸馏

    该研究提出一种基于决策边界的黑盒知识蒸馏方法（DB3），包括由教师决策边界构造软标签，以及生成伪样本以代表未知数据，皆不需要接触教师参数，结果表明该方法在各种基准网络和数据集上都表现出有效性。

    Jun, 2021

  • 高效 COVID19 检测中释放改进的深度学习模型

    COVID19 预测和检测的深度学习方法在此研究中得到了改进，并且高精度的预测模型可为医疗系统、决策者和研究者做出准确决策以减少 COVID-19 及其它传染病。

    Oct, 2023

  • COVID-19 病例自适应预测的数据驱动方法研究

    通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。

    Sep, 2023

  • COVID-19 趋势预测的深度学习方法

    本研究开发了基于深度学习模型的方法来预测新冠疫情在美国的传播趋势，并通过门控循环单元结构整合了人口统计信息和疫情时间序列数据，最终确定了主导的人口统计因素。

    Aug, 2020

  • 使用深度学习导航 COVID-19 谣言万花筒

    通过系统研究表明，基于深度 Transformer 的预训练模型，虽然在混合领域转移学习方面表现出色，但无法为检测 COVID-19 社交媒体数据中的错误信息提供通用解决方案。因此，本文提出了一种使用浅层网络和卷积神经网络的分层方法来提取目标数据中的局部和全局上下文，从而实现更为具有普适性的解决方案。

    Sep, 2021

  • 流行病预测的神经参数校准与不确定性量化

    我们应用了一种新颖而强大的计算方法来学习传染参数的概率密度并提供流行病预测的不确定性量化，通过神经网络将 ODE 模型与 2020 年柏林 COVID-19 传播数据进行了校准，实现了比基于马尔科夫链蒙特卡洛 (MCMC) 的采样方案更准确的校准和预测，我们的预测不确定性提供了有意义的置信区间，例如感染人数和住院率，而训练和运行神经网络方案只需要几分钟，而 MCMC 需要几个小时。我们展示了我们的方法在简化的 SIR 传染病模型上收敛到真实后验，同时展示了我们的方法在一个仅有少量可用数据的小型组分中学习复杂模型的能力。

    Dec, 2023